基于均衡离散曲率波变换的手背静脉识别

针对滤波器尺度和方向的增加对识别速度影响较大的问题,提出了基于均衡离散曲率波变换(UDCT)的手背静脉识别方法。在进行手背静脉图像感兴趣区域提取和预处理的前提下,引用了均衡离散曲率波变换对感兴趣区域进行去滤波变换,然后对变换系数进行相位编码,计算编码统计直方图的卡方距离来进行静脉识别。实验结果表明,该方法在低质量的手背静脉图像情况下依然能得到较好的识别效果和较快的识别速度。

基于UDCT和三角形测量特征融合的手背静脉识别

提出了一种基于特征融合的手背静脉识别算法,首先对手背静脉图像感兴趣区域进行预处理,然后采用均衡离散曲率波变换对感兴趣区域进行变换,接着对变换系数进行相位编码,并计算编码统计直方图的卡方距离,当此距离与阈值相差较大时,得到识别结果;否则,对预处理后的图像提取静脉骨架,确定相关的特征点,通过三角测量法来计算匹配距离,对和采用加权平均法来获得最终的识别结果。该方法在识别时间没有明显增加的情况下,而识别的效果却得到了提高。

基于SARSA强化学习的审判人力资源调度方法

为对法官员额资源进行调度优化,平衡司法资源有限和现实司法需求之间的矛盾,该文建立审判人力资源调度优化模型,提出基于强化学习的审判团队调度优化策略。基于对审判人员调度问题和场景的分析,建立以案件的平均处理时间最小化为优化目标的审判人员调度优化数学模型以及相应的约束条件。在此基础上建立宏观的司法系统排队模型,定义审判人力资源调度马尔可夫决策过程,并基于状态/动作/奖励/状态/动作(Sate-Action-Reward-State-Action,SARSA)算法提出动态自适应的审判人员调度强化学习算法。该算法以案件的平均处理时间为奖励,通过贪婪行为策略选择调度策略,采用时序差分更新方法在与司法系统交互的过程中学习最优调度策略。相比于传统分案方法及其他基于规则的简单启发式算法,该算法能够提高案件审判效率、优化人力资源配置。